Unge professor Kampffmeyer
For å forstå kunstig intelligens (KI) bedre, dykker Michael Kampffmeyer (33) ned i algoritmenes hemmeligheter.
I løpet av de siste årene har KI blitt kjent for de aller fleste, noe som betyr at modeller som ChatGPT har funnet sin vei inn i samfunnet på alvor. De har en imponerende brukervennlighet og kan brukes i veldig mange ulike settinger.
Fakta om Michael Kampffmeyer
- Født i 1991, fra Hamburg i Tyskland
- Bor i Tromsø og har samboer
- Professor på Machine Learning Group ved UiT i Tromsø
- Jobber også for Senteret for forskningsdrevet innovasjon Visual Intelligence.
- Forsker på utviklingen av dyplæringsalgoritmer som lærer i nærvær av begrensede data og deres forklarbarhet
- Interesserer seg for læring med sammensatte data og medisinsk bildeanalyse
– Derfor bør alle ha en viss forståelse for hva KI dreier seg om, og samtidig må noen skjønne mer i detalj hvordan modellene egentlig fungerer. For akkurat nå er det flere utfordringer med disse modellene, forteller Kampffmeyer på kontoret sitt i Forskningsparken med utsikt mot Tromsøysundet.
Problemstillingene han tar opp, er en del av det han forsker på daglig ved UiT Machine Learning Group.
– Ett av problemene med KI er det vi kan kalle tolkbarhetsaspektet, mens et annet handler om hvordan modellene blir trent opp, som er ganske ineffektivt i dag. De trenger mye data, som krever masse regnekraft og dermed energi. Vi jobber med å utvikle forklarbare modeller og metoder for å trene KI-modellene med færre data på en mer effektiv måte enn slik det foregår i dag.
Ble professor på rekordtid
Kampffmeyer, som er vokst opp sørvest for Hamburg i Tyskland, fikk tidlig et forhold til Norge gjennom ferieturer nordover med familien sin.
Som femtenåring tok han et halvt år som utvekslingsstudent i Alvdal i Østerdalen, mens videregående skole gjennomførte han i Storbritannia.
Da han var 18 ville han tilbake til Norge og valget falt på en integrert master i Energi, klima og miljø ved UiT i Tromsø. Kun 14 år senere har han blitt professor, noe som gjør det naturlig å spørre om hvordan han klarte å nå en slik posisjon i meget ung alder.
– Jeg vet ikke, eller det jeg forsker på er jo hobbyen min også. Vi er en god gruppe på jobb, som har det artig og sammen driver vi feltet videre. Jeg har hatt muligheten til å studere med dyktige folk i USA og Tyskland. Alle jeg har veiledet og undervist for har vært flinke, interesserte studenter. En kombinasjon av alt dette, er nok mest rette svaret.
– Du trives åpenbart ved UiT, men hva er den største forskjellen mellom Tromsø og Hamburg?
– Tromsø og Norge er veldig fint, spesielt hvis man liker å være ute i naturen. Her er det fjell og fjorder, mens der jeg kommer fra er det veldig flatt.
– Hva syns du om mørketida?
– Man blir jo vant til den. Vinteren i Tyskland kan være ganske overskyet, så det er ganske mørkt der også. Jeg opplever ikke den store forskjellen, begge landene er i Nord-Europa. På denne tiden av året er det mørkt når jeg står opp og kommer hjem fra jobb både i Tromsø og Hamburg.
– Er du jevnlig nede i Tyskland?
– Min samboer og jeg drar vanligvis nedover en tur i jula, ellers blir det ikke så ofte. Hun er fra Honningsvåg, og derfor drar vi oftere dit enn til Tyskland.
Verdens mest digitaliserte land
Ifølge vår digitaliserings- og forvaltningsminister Karianne Tung (AP) skal 80 prosent av offentlig sektor bruke KI innen få år.
Selv om dette er satt på spissen, er det et sterkt ønske om at modellene skal brukes mer enn tilfellet er i dag. Samtidig skaleres KI-modellene bare mer og mer opp, som er en lettvint måte å få dem til å bli bedre.
Minuset er at vi ikke helt forstår hva som skjer og hva de egentlig gjør. Dessuten er det begrensninger på hvor mye modellene kan ekspandere.
– Vi snakker om store selskap som ønsker egne atomkraftverk for å ha nok energi til å drive datasentrene sine. De vil bare mate inn masse data, men det er grenser for hvor mye man skalere opp modellene, og det er heller ikke en bærekraftig løsning på lang sikt. Vi i akademia kan ikke være med på en sånn ekspandering; vi må heller løse problemene annerledes og tenke ut hva som tar oss fremover, sier Kampffmeyer.
– Er det ikke veldig rart at vi har lagd modeller som vi ikke forstår hvordan fungerer?
– Altså kunstig intelligens som felt har eksistert i mange år, helt tilbake til 60-tallet. Utviklingen har gått fra regelbaserte systemer, hvor mennesker manuelt definerte regler og kriterier, til moderne KI-modeller som lærer direkte fra store mengder data. Tidligere systemer var enkle og forutsigbare, mens dagens modeller har millioner av parametere og kan tilpasse seg komplekse mønstre, men på bekostning av forståelighet.
Vil ikke ha enkle løsninger
I ett av prosjektene sine samarbeider Kampffmeyer med Universitetssykehuset Nord-Norge (UNN).
Sykehuset har et visst antall pasienter hvert år, og det er ikke bare for UNN å innkalle flere for å få mer data til trening av KI-modeller.
– I lokale settinger som dette har man begrensninger, mens i andre tilfeller kan det være veldig kostbart å samle inn ekstra data. Det er fullt mulig å samle inn millioner av kattevideoer for eksempel, men i de fleste andre settinger vil det være mer vanskelig. Derfor trenger vi mer produktive måter å løse slike problemer på, sier Kampffmeyer og forklarer hvorfor dette med tolkning også har sine begrensninger.
– I en medisinsk setting er tolkbarhet meget viktig. Hvis du har et røntgenbilde for å se om en pasient har lungebetennelse, og KI-modellen forteller deg at pasienten i stedet er frisk, hvordan vet du med sikkerhet at modellen faktisk har sett på lungene og ikke basert avgjørelsene på noe annet i bildet, som for eksempel skriftlige merknader? For å kunne stole på modellen er det derfor viktig å kunne tolke og forstå hvordan modellen kommer fram til sine beslutninger.
KI er allerede overalt
Å komme i dybden på hvordan KI-modellene egentlig løser problemer, er en sentral del av forskningsarbeidet til Kampffmeyer og hans kolleger.
– Modellene kan finne på å løse problemer på en lettvint måte ved å ta snarveier – snarveier som kanskje fungerer der og da, men som ikke nødvendigvis fungerer på nye data. Derfor prøver vi å forstå hva modellene faktisk gjør, og samtidig gjøre dem robuste til å utføre oppgavene vi setter dem til.
– Bruker du selv ChatGPT?
– Ja, for eksempel hvis det er noen e-poster som jeg ikke har lyst til å skrive ... Men KI er jo så mye mer enn ChatGPT. Hvis du søker etter noe på Google, så er det egentlig KI som gjør jobben i bunnen. Hvis du tekster med en chatbot, det er KI. Hvis du går på bildemappa på mobilen din og bildene der er sortert etter personer, det er KI. Vi er alle på ulike måter eksponert for KI på daglig basis, uten å tenke noe særlig over det.
Vokser og vil bli større
Da Kampffmeyer starta i 2015 på doktorgraden sin var de fem i UiT Machine Learning Group, nå er de rundt 35 ansatte.
I høst har de jobbet med en søknad for å bli en del av et nytt nasjonalt KI-senter, som er et samarbeidsprosjekt med blant annet Norsk Regnesentral, NTNU og en sammenslutning av nasjonalt og regionalt næringsliv og offentlig sektor.
– Rundt 200 millioner skal fordeles i dette prosjektet, hvor en betydelig del vil komme til oss. Planen handler egentlig å bygge videre på det vi har gjort her ved UiT, forteller Kampffmeyer som også ønsker at de skal bli enda mer synlig internasjonalt med sin forskning.
– Vi må sørge for at vi fortsetter å være representert på de største konferansene i utlandet. Det er en jobb det også - å være der toppforskerne samles og vise seg fram.
Drives mot flerbruk
– Hvis du ser i «krystallkula», hvor er vi med KI om ti år?
– Forhåpentligvis blir KI brukt til å gjøre flest mulige oppgaver i samfunnet mer effektive. I fremtida tror jeg at det vil være mye vanligere å inkludere flere typer data i modellene. Tenk på hvordan vi som mennesker ser og opplever verden: Vi ser, hører, lukter, smaker og kjenner med hendene. Vi har mange forskjellige sanser som vi bruker til å ta inn informasjon, mens de fleste KI-modeller i dag er begrensa til mest tekst og bilder, forteller Kampffmeyer.
– Hva er din drivkraft?
– Å jobbe med noe nytt, som man ikke vet alt om ennå. Hvis man har løsninga på forhånd, er det ingen vits i å forske på det. På verdensbasis er det sikkert mange som har de samme ideene, men færre som har gode løsninger. Forhåpentligvis kan jeg være med å bidra med en av løsningene. Jeg liker at modellene vi utvikler er anvendbare, slik at de kan brukes i ulike sammenhenger.
